复杂任务用Markdown写提示词真能省80%返工时间，但90%的人用错了场景_办公软件

1. 别光问AI了，反向操作才是王炸，这是我10倍速阅读的三大心法和提示词～当会用AI不再稀缺，AI时代真正拉开差距的是什么？#ai #阅读 #读书 #学习 #世界读书日

2. Seedance 2.0 这版总算顺利出片了，整体观感还不错。我的流程是：先用一张人像照片做参照，生成一个“想象场景”的图片，再基于这张图片作为首尾帧去生成视频。实测下来：生图阶段：提示词可以相对简单一些，因为只是大概的意象，还是要“抽卡”。我发现一次生成 4 张图时，往往都是第一张效果最好。像这组图里，后面 3 张要么手部细节有问题，要么人脸表情有点生硬，好在第 1 张整体效果还可以。生视频阶段：到了 Seedance 生成视频时，提示词就非常关键了，一定要用结构化表达（我前面微博里具体说过，这里就不重复了）。 #Seedance必玩提示词模板##HOW I AI# http://t.cn/AXtLwaMz

3. 谷歌68页圣经看完更焦虑了，所以我做了个Hook让它全自动强化，并用了老金我的元提示词

4. 一位中国AI创业者，一行代码都没写，却靠着AI智能体，冲进了OpenClaw全球贡献者前30，而且排在他前后的，是一批干了十几年的硅谷顶级工程师。#大有学问 #红衣聊AI #创业 #智能体

5. Anthropic发布万字长文：系统化评估 AI Agents 的工程方法

6. 【同样用 AI，别人产出碾压你？差距全在提示词工程】2026年，AI领域有一个令人不安的真相：模型不再是瓶颈，提示词才是。两个人在同一个任务中使用相同的模型，产出质量却天差地别。平庸者得到的是需要推倒重写的废话，而专家得到的是直接进入生产环境的成果。提示词工程不是某种玄学，它是AI经济时代最有价值的技能，因为它决定了你与AI交互的质量天花板。以下是迈向专家级提示词工程的完整路径。---第一阶段：基础认知——具体性击败普遍性大多数提示词失败的原因在于：大语言模型本质上是在预测下一个概率最高的字符。当你给出的指令模糊时，模型会填充统计学上最平庸的内容。专家提示词必须包含的六个要素：1. 角色：给模型一个具体的身份，如“拥有15年经验的B2B SaaS产品策略专家”，这决定了它的词汇量、深度和视角。2. 背景：模型需要知道你的行业、受众、限制条件和目标。没有背景，模型只能靠猜测。3. 任务：明确具体的动作，例如“对比三个竞争对手的定价、功能和话术，撰写一份竞争分析报告”。4. 格式：规定输出的形态，如表格、两段式的建议或特定的代码结构。5. 约束：明确告诉模型“不要做什么”，比如“不要使用营销术语”、“不要超过500字”。6. 质量标准：定义什么是“好”，例如“分析必须具体到足以让产品团队在5分钟内做出决策”。---第二阶段：结构化技巧——让逻辑清晰可见1. 使用XML标签Claude等模型对结构化输入非常敏感。使用标签如 <context>、<task>、<constraints> 可以消除歧义，让模型明确每一部分指令的功能。2. 背景在前，问题在后当处理长文档或大量数据时，始终将参考资料放在问题之前。先让模型加载上下文，再提出要求，这比先问问题再给资料的效果要好得多。3. 少样本学习（Few-Shot）给模型三到五个例子，效果胜过十段文字描述。展示你想要的模式，包括正常情况和边缘情况，模型会迅速捕捉到你未言明的逻辑。---第三阶段：高阶策略——深度思考的逻辑链1. 链式思维（The Chain Method）永远不要让模型在一个提示词里完成五件事。将任务拆解：先做调研，再找差异，最后写文案。每一步的质量都会累积，最终形成深度远超单一指令的成品。2. 自我修正循环模型的初稿往往只是草稿。加入一段指令：“重新阅读你的回答，按准确性、具体性和可操作性打分（1-10分）。针对低于8分的维度进行修正，并给出最终版本。”3. 动机约束不仅要告诉模型“做什么”，还要告诉它“为什么”。当模型理解了“字数限制是为了适应Telegram的显示逻辑”时，它在精简内容时会表现得更智能。4. 多维视角分析对于复杂的决策，要求模型从不同角色（如CEO、CFO、客户）的角度分别进行分析，最后再综合成一个平衡各方利益的建议。5. 元提示词（The Meta-Prompt）当你不知道如何写好提示词时，让AI帮你写。描述你的目标和背景，要求AI为你生成一个最有效的提示词结构。---第四阶段：系统化精进——从战术到战略1. 持久化上下文文件为不同类型的工作建立Markdown文件，如写作准则、分析框架或项目背景。在对话开始时让模型先读取这些文件，确保它始终遵循你的个人标准。2. 模板库意识将每一个成功的提示词沉淀为可复用的模板。剥离具体内容，保留结构变量。随着时间的推移，这种复利效应将成为你最大的竞争优势。3. 每周反馈闭环每周复盘你的AI产出：哪些地方没达标？提示词哪里可以改进？将这些教训更新到你的上下文文件中。---总结与启示提示词工程不是在寻找某句“咒语”，而是系统性地增加交互的确定性。平庸者在依赖模型的随机性，而专家在消除模型的随机性。当你掌握了这些技术，你会发现你使用的仿佛是完全不同的另一种技术。在这个AI时代，你的提问能力，就是你的生产力上限。x.com/eng_khairallah1/status/2046881340977782970

7. 提示词工程的终点，是人的认知工程表面上是在训练 AI，实际上是在训练人如何思考。一个人提示词水平越高，说明他越能清楚表达目标、限定问题、定义概念、组织流程、验证结果。所以，提示词工程的本质不是机器技巧，而是人的认知修炼。#新媒沈阳聊ai#

8. 有不有什么好的ai提示词模板，平时知友怎么写提示词的?

9. 【电影感人像提示词公式】GPT-Image-2提示词合集-2

10. 收藏这20个NotebookLM提示词，你一定用得上

11. 当模型推理能力越来越强，我们还需要提示工程吗？

12. 乔布斯 19 年前的那个“咖啡梦”，今天被千问实现了 #千问APP#千问Qwen#阿⾥巴巴#科技改变生活#AI新星计划

13. AI视频没电影感？试下这6大影视级布光技巧......

14. #Seedance必玩提示词模板#千万码住🔥即梦3.0导演级运镜提示词，拿去抄‼在练习AI试试的时候发现运镜提示词真的太重要的，会写运镜提示词，直接把画面效果提升100倍！#HOW I AI##过个有ai年# seedance必玩提示词模板

15. 如何看待淘天金码奖设立Prompt工程赛道，是否意味着「提示词工程师」将成为未来五年互联网行业新风口？

16. 想让 AI 真正懂你？首要任务是学会“结构化表达”。春节期间，向亲友推荐 AI 时常听到这样的反馈：“乍看很惊艳，实操却不稳定；闲聊尚可，一旦涉及严肃工作就不靠谱。”这种“时好时坏”的症结，往往不在模型能力，而在交互质量。大多数人习惯了随意的自然语言，却忽略了：AI 需要清晰的指令边界。“结构化表达”正是人类思维与大模型（LLM）之间最高效的“通讯协议”。当你把模糊意图转化为结构化的逻辑指令，就跨越了从“闲聊玩具”到“生产力工具”的鸿沟。一、Why：为什么大模型喜欢结构化表达？从大模型的技术原理（Transformer 架构）来看，结构化表达能显著提升模型表现：1）降低“熵”（减少不确定性）大模型本质是基于概率预测下一个 token。人类自然语言往往充满歧义、省略和跳跃。结构化表达（如分点、贴标签、定义框架）能减少上下文歧义，缩小模型的搜索空间，从而更大概率命中你想要的高质量答案。2）引导“注意力机制”（Attention Mechanism）结构化文本（如 Markdown 标题、由于/因此、背景/任务/要求）能让模型更清晰地区分：哪些是核心指令、哪些是背景信息、哪些是限制条件。相当于给模型划重点，防止它在长文本里“迷路”。3）触发“思维链”（Chain of Thought）当你用结构化方式拆解问题（比如：第一步做什么、第二步做什么），你是在向模型“演示解题路径”。这种逻辑引导更容易激活模型推理能力，让输出不只是文字堆砌，而是逻辑推演。二、How：结构化表达如何“放大”AI 的能力？在实际工作中，结构化表达能把 AI 从“闲聊机器人”变成“专业生产力工具”：1）从“模糊需求”到“精准指令”非结构化：“帮我写个周报，这周做了 A 项目和 B 项目。”结果：AI 往往会写出一篇通用的、毫无亮点的流水账。结构化：【角色】你是高级项目经理。【背景】本周推进了 A 项目（处于收尾阶段，无风险）和 B 项目（处于启动阶段，缺人手）。【任务】撰写周报。【框架】1）关键进展；2）风险预警；3）资源需求。【风格】简洁、客观、数据导向。结果：AI 会生成一篇逻辑顺畅、重点突出、基本可用的周报文档。2）突破“上下文限制”当你需要 AI 处理复杂任务（如写长篇报告、分析复杂代码）时，结构化表达能帮助你模块化拆解。你不再一次性把所有东西扔给 AI，而是构建一个“工作流”：先定义大纲（结构化框架）再分模块填充内容（结构化填充）最后统一润色（结构化约束）3）确保输出的“可交付性”如果你要求 AI 结构化输出（例如“请以 Markdown 表格形式输出，包含列 A、列 B、列 C”），生成内容就可以直接复制到 Excel 或 PPT。结构化输入往往带来结构化输出，极大降低后期排版与整理成本。三、What：什么是结构化表达？一个高质量的结构化 Prompt 通常包含四个模块：Role（角色设定）：明确 AI 身份（如资深 Python 工程师、麦肯锡咨询顾问）Context（背景信息）：提供任务上下文（如目标受众、项目阶段、原始数据）Instruction（核心指令）：清晰的动词 + 目标（如分析趋势、用隐喻解释概念）Constraints（约束/输出格式）：字数、语气、格式（表格/代码/JSON）另外还有经典的 BROKE 或 ICIO 模型，大家也可以自行学习了解。写在最后结构化表达能力，是 AI 时代最重要的“软技能”。它不是新东西：以前，结构化表达是为了让人听懂（向上汇报、跨部门协作）；现在，结构化表达是为了让 AI 听懂（获得更稳定、更可控的产出）。本质上，你思维的清晰度，直接决定了 AI 产出的精确度。

17. 012-AI 短视频分镜头设计（AI绘画提示词入门）

18. 《扣子开发 AI Agent 智能体应用》018-提示词编写和优化（扣子平台设置提示词案例）

19. #用声音马住中国年##微博声浪计划# 即梦Seedance2.0怎么玩？字节跳动新一代AI视频工具，支持多模态输入，新手可通过小云雀APP免费体验，新用户送95积分，每日3次限免。基础玩法含文生视频等，高阶可分镜叙事、角色替换、虚拟分身口播。省积分需用结构化提示词，创意方向多元，但要注意版权问题。随风如我的微博音频

20. OpenAI的Skills和Anthropic一样都是惰性加载markdown按需注入context？

21. AI生成电影级别质感视频！Seedance 2.0提示词运镜技巧（附提示词案例）

22. 别再学提示词了：为什么它是AI时代最短命的技能？

23. 阿里千问与“AI Layer”崛起：一场重塑互联网的“操作系统”生态战【硅谷101】

24. 阿里全家桶全面Agent化！千问“任务助理”全面公测，从此AI不再只是动嘴出主意的狗头军师！

25. Claude Code隐藏玩法爆火！Anthropic大佬：不要再用Markdown了

26. 【智能体软件不是提示词堆叠：一场面向 Agent 的系统工程实践】构建智能体软件（Agentic Software）不应仅仅是“提示词工程”的堆叠，而是一场严谨的系统工程实践。Ashpreet Bedi 通过复盘贝尔实验室构建电话网络的历史教训，指出当前 AI 开发中“过度优化局部、忽视系统整体”的误区。+ 真正的智能体软件是“业务逻辑被 Agent 替换”的常规软件，它必须在五个核心层面上实现协同：1. 智能体工程（Agent Engineering）这是系统的“大脑”。除了模型选择，更关键的是定义确定性的执行流、工具配置和上下文管理。智能体的行为在可预测时应保持确定，在不可预测时应保持可观测。2. 数据工程（Data Engineering）上下文即数据。记忆、存储和知识库必须遵循成熟的数据工程原则：设计良好的 Schema、结构化查询以及高效的读写流水线。Agent 的能力上限取决于它获取数据的质量，而非模型参数。3. 安全工程（Security Engineering）安全必须由系统强制执行，而非靠提示词约束。“只读权限”应该是数据库连接层面的配置，而不是告诉 Agent “请不要修改数据”。必须通过 JWT 验证、RBAC（基于角色的访问控制）和请求隔离，防止数据越权。4. 接口工程（Interface Engineering）Agent 会出现在 REST API、Slack、终端等多个表面。挑战在于如何将不同的身份系统（如 Slack 用户 ID 与产品内部 ID）统一映射，确保权限控制在所有入口保持一致。5. 基础设施工程（Infrastructure Engineering）95% 的工作与传统服务无异（容器化、云部署、横向扩展）。剩下的 5% 在于应对 Agent 的特性：更长的请求耗时、流式响应（SSE/WebSockets）以及主动触发的任务。+ 系统工程的实践：Dash 项目为了证明这一理念，Agno 团队开源了 Dash —— 一个具备自我学习能力的 SQL 数据智能体。它展示了系统工程如何解决实际问题：- 六层上下文增强：Dash 不直接写 SQL，而是结合表元数据、业务规则、历史查询模式、机构知识、错误学习记录和运行时 Schema 检查。- 自我进化闭环：当 Agent 执行 SQL 报错时，它会诊断修复并记录“学习心得”。第 100 次查询比第 1 次更准，不是因为模型变强了，而是数据层进化了。- 架构级安全：分析师 Agent 连接的是只读引擎，工程师 Agent 只能写入特定的 dash Schema。这种物理隔离确保了即便模型“幻觉”产生恶意指令，系统也会在底层将其拦截。当我们从系统视角审视软件时，许多争论（如 MCP vs CLI）会变得显而易见。不要给 Agent 不受限的权限，要给它定义清晰、边界明确的工具；不要把记忆存在散乱的文件里，要存入数据库。系统工程不是为了增加复杂性，而是为了让各个组件在交互中产生超越个体的可靠性。x.com/ashpreetbedi/status/2041568919085854847github.com/agno-agi/dash

27. 90% +漫剧制作难题，1 个工具全解决

28. AI 编程时代，最稀缺的不是提示词，而是软件工程

29. 15 个最佳Seedance 2.0 提示词：打造病毒式影片的终极指南

30. 百万级TVC视频提示词框架

31. AI视频生成效果差，原来是Prompt太详细？调整多少次可以达到满意效果？#Flova #Flova ai#aigc #ai视频生产

32. Claude Code 团队的 Thariq 最近写了一篇文章，分享了一个他自己摸索出来的工作习惯：用 Claude Code 的时候，别再让它输出 Markdown 了，改成输出 HTML。这个建议乍一听有点奇怪，Markdown 不是公认的轻量好用吗？但他的理由很实在。首先是可读性问题。Markdown 文件一旦超过100行，他就基本读不下去了，而且他也没办法让团队里的其他人认真看完一份长 Markdown 文档。但 HTML 不一样，Claude 可以用标签页、目录导航、插图、链接来组织内容结构，甚至可以做成响应式的，手机上也能舒服地阅读。同事实际打开并读完你的文档的概率，会因此大幅提升。其次是表达能力。HTML 几乎能承载任何类型的信息：表格、CSS 样式、SVG 矢量图、JavaScript 交互、空间布局、代码片段。他说几乎没有什么 Claude 能理解的信息是 HTML 不能高效呈现的。相比之下，Markdown 里想表达颜色只能用 Unicode 字符凑合，想画流程图只能用 ASCII 线条拼，效果差很多。然后是分享便利性。Markdown 文件在浏览器里不能直接渲染，你得当附件发。但 HTML 上传到 S3 之后就是一个链接，任何人点开就能看，不需要额外工具。最让他兴奋的是交互能力。你可以让 Claude 在 HTML 里加滑块、旋钮、开关，用来调整设计参数或算法配置，调好之后点一个「复制」按钮，把参数粘贴回 Claude Code 继续工作。这就形成了一个双向的工作流：Claude 生成可交互的 HTML，你在上面调整，然后把结果喂回给 Claude。他列了很多具体用法：让 Claude 生成六种不同的设计方案，用网格布局并排对比；让 Claude 读 PR 代码然后生成带注释、带颜色标记的 diff 可视化页面（他说比 GitHub 默认的 diff 视图好用）；让 Claude 做一个一次性的专用编辑器，比如拖拽排序工单、编辑 feature flag 配置、或者实时预览 prompt 模板的效果。他也坦诚地说了缺点：HTML 生成时间是 Markdown 的2到4倍，而且版本控制里 HTML 的 diff 很难看。但他说，真正让他坚持用 HTML 的原因，其实是一种心理上的变化。之前他已经不怎么读 Claude 生成的 Markdown 计划了，开始担心自己会失去对 Claude 工作方向的掌控。但换成 HTML 之后，因为文档变得好看、好读、可交互，他重新开始认真看 Claude 的输出了，感觉自己又回到了 loop 里面。最后他特别提了一句：不需要做什么特殊的 skill 或配置，直接跟 Claude 说「生成一个 HTML 文件」就行了。关键是你要知道自己想用这个 HTML 做什么，想怎么跟它交互。#科技先锋官##How I AI#

33. 2025年AI提示词深度指南：从基础知识到高级技巧

34. 大语言模型（LLM）提示词设计不只是“提问”，而是一门系统工程，是与模型高效交互的关键技能。掌握以下7大类提示技巧，才能真正释放AI潜能：1. 核心提示 - Zero-shot：无示例，直接给任务。 - One-shot：给一个示例。 - Few-shot：给多个示例，教模型识别模式。2. 推理增强 - Chain-of-Thought（思路链）：引导模型一步步推理。 - Self-Consistency（自洽采样）：多条推理路径，选最佳答案。 - Tree-of-Thought（思维树）：多条推理路径并行探索（进阶）。 - ReAct：结合推理和行动（如调用API）。3. 指令与角色设定 - 明确指令：“帮我总结这段内容”。 - 角色扮演：“你是法律助理”。 - 混合型：指令+示例，兼顾清晰和示范。4. 提示组合技巧 - 链式提示：用一个提示的输出作为下一个输入。 - 动态提示：实时注入变量和上下文。 - 元提示：让模型自我优化或验证回答。5. 多模态提示 - 图文结合，给出视觉+文本信息。 - 音视频+文本（依赖模型能力，如GPT-4o、Gemini 1.5）。6. 行业专用提示 - 编程提示：针对特定语言或工具。 - 医疗、法律提示：高精度、格式严格。7. 提示评估与调试（辅助工具） - 去除测试：删减元素看影响。 - 注入测试：验证提示在实际应用中的鲁棒性。需要明确的是，检索增强生成（RAG）和代理工具系统（如LangGraph、AutoGPT）不是提示技巧，它们是架构或框架，提示只是其中一环。提示设计已不仅是“技巧”，而是整体系统设计。理解输入输出工程，掌握推理链条和领域约束，才能让AI输出更可靠、更智能。真正的秘诀不在“神奇语句”，而在于结构化、系统化地设计提示。原文：x.com/techNmak/status/1995726428177137924

35. 发现一个AI的新用法，再也不用担心不会写提示词了！

36. 【AI辅助设计】告别“咒语”恐惧症！我的AI提示词可视化编辑器，让创意修改像点菜一样简单

37. 优秀TVC百万级别视频提示词深度解析

38. 彻底摆脱AI味儿！用这3个邪修指令，强到离谱了…【旁门左道PPT】

39. AI编程代理经常缺乏生产级工程技能，容易跳过规格编写、测试验证、代码审查等关键步骤，导致代码质量低下、后期维护成本高。agent-skills 为AI编码代理提供生产级工程技能包，覆盖从需求定义到部署上线全开发生命周期的最佳实践。包含19个结构化技能工作流和7个斜杠命令，支持Claude、Cursor、Gemini CLI等多平台AI工具，让代理像资深工程师一样规范开发。GitHub：github.com/addyosmani/agent-skills主要功能：- 7个开发生命周期命令：`/spec`（规格先行）、`/plan`（任务分解）、`/build`（增量实现）、`/test`（测试验证）、`/review`（代码审查）、`/code-simplify`（代码简化）、`/ship`（安全部署）；- 19个核心技能：从`idea-refine`（想法提炼）到`shipping-and-launch`（上线发布），每个技能包含步骤、工作流验证和反合理化表；- 专业代理角色：`code-reviewer`（资深工程师视角）、`test-engineer`（测试专家）、`security-auditor`（安全审计）；- 参考清单：测试模式、安全检查、性能优化、无障碍标准等快速参考；- Google工程实践：集成Hyrum's Law、测试金字塔、Chesterton's Fence、Trunk-based Development等实战经验；- 多平台集成：Claude Code一键安装，Cursor规则文件，Gemini原生技能，支持任何Markdown提示的AI代理。通过`git clone`本地运行或Marketplace安装，适合开发团队、AI代理爱好者和工程实践训练。#AI编程# #工程技能# #AgentSkills#

40. 今天看到一个关于 Loop Engineering （循环工程）的说法，从工程师的角度，感觉比 Agentic Engineering 更具体。提示词（Prompting）是一个 Bug，而非特性。别再痴迷于琢磨动词和上下文窗口了。如果你的工作流还得靠你去做一个“提示词耳语者”（Prompt Whisperer），那你已经输了。在一个渴求“系统化”的世界里，你只不过是个手动挡的操作工。 “氛围编程”（Vibe Coding）拿来做演示固然有趣，但真正的进化是**“循环工程”（Loop Engineering）。你不再是写一段提示词，而是构建一个递归环境**：让智能体（Agent）自行评估失败、重构逻辑，并不断迭代，直到意图与输出之间的偏差（Delta）归零。人类不应是那个修修补补的编辑，而应是整个循环的架构师。停止与机器对话。去建造那台会“自我对话”的机器。

41. 为什么我编写不出优秀的ChatGPT提示词?

42. 2分钟南极AI短片卖100万？怎么做的? 硬核拆解最强AI视频工作流

43. HTML is the new Markdown。🔥总结一下我们用 Markdown 作为 AI 输出格式，是有历史原因的——但那个历史原因已经消失了。1. 为什么 Markdown 变成了默认？GPT-4 时代 context window 只有 8192 token，Markdown 的 token 效率远高于 HTML——同一篇博客，HTML 要用 16180 token，Markdown 只需 3150 token，压缩了 80%。token 贵，所以用 Markdown。今天 Opus 4.7 的 context window 是 100 万 token，这个约束几乎消失了。我们继续用 Markdown，只是惯性。2. HTML 派的理由Thariq 的核心论点是信息密度。Markdown 能做的 HTML 都能做，HTML 还能做 Markdown 做不到的：1）可视化：SVG 插图、流程图、数据图表——用真正的矢量图，而不是 ASCII 将就版2）阅读体验：超过 100 行的 Markdown，Thariq 说他根本不读。HTML 可以做标签页、内页导航、折叠展开，组织复杂信息的方式完全不一样3）双向交互：让 agent 在文档里加滑块调参数，调完把参数复制回给 Claude——Markdown 做不到4）分享：上传到 S3，一个链接发给同事，浏览器直接打开。Markdown 要么看源文件，要么配渲染器5）Code Review：diff 和调用关系是空间信息，Markdown 会压平它。HTML 可以渲染带注释的 diff、画模块关系图，比 GitHub 默认 diff 视图更好用他现在每次做 PR 都附一份 HTML 版代码解释，让 Claude 从 git history、Slack MCP 读上下文，生成带颜色标注和内页导航的审查报告。3. Markdown 派的反驳这场讨论也有清醒的反对声。1）Cloudflare 的视角完全相反：他们 2026 年 3 月专门发布了"Markdown for Agents"功能，把 HTML 网页自动转成 Markdown 再喂给 AI。理由是：AI agent 消费内容时，HTML 里的 <div>、CSS、script tags 全是噪声，token 浪费严重，Markdown 才是 AI 处理内容的正确格式2）版本控制：连 Thariq 自己也承认，HTML diff 嘈杂，很难 review。这是 HTML 最大的短板之一3）生成速度：HTML 生成时间是 Markdown 的 2-4 倍4）编辑成本：Markdown 人可以直接改，HTML 要面对一堆标签。如果文档后续还要人工编辑、或者粘贴进 Notion/Slack/Zenn 这类工具流转，Markdown 明显更好5）评论区 Somya 的折中观点：HTML 适合原型、mockup、可视化预览；Markdown 适合代码、计划、文档这类纯文本内容。建议：插图多于文字时用 HTML，反之用 Markdown4. 一个更清晰的框架争论双方说的其实不是同一件事。有种的分析比较到位：1）HTML 赢在"发布终点"——给人最终阅读的版本：PR 审查报告、技术教材、数据看板、交互原型2）Markdown 赢在"中间素材"——还在流转的内容：agent 读取的规格文档（CLAUDE.md、ADR）、人工编辑的草稿、需要跨工具传递的内容本质上：HTML 赢在"人最终读的那个版本"，Markdown 赢在"还没到终点的中间态"。5. 真正值得关注的信号Thariq 说他用 HTML 的真正原因是"感觉更 in the loop"——以前不看长计划，只能任 Claude 自行决策；现在 HTML 可读性高，他会真的读，发现问题、给反馈、参与决策。这个观察比格式之争更重要：输出格式影响人是否参与 loop，参与程度决定 agent 系统的质量上限。背景：Claude Code 团队工程师 Thariq Shihipar 两天前在 X 上发的一篇文章，引起了大家非常热烈🔥🔥🔥的讨论。Simon Willison 直言"重新考虑了用了三年的 Markdown 默认习惯"。#HOW I AI# #程序员#

44. 在设计Agent系统提示词的时候，与其对一份系统提示词进行反复修改，不如让这个Agent使用的LLM模型自己生成系统提示词，你要修改的其实是LLM生成系统提示词的用户提示词，而不是直接修改系统提示词，应当对Agent进行版本控制的是用来生成系统提示词的用户提示词。

45. Markdown 如何成为人与AI的通用格式？

46. 【看懂 Claude Code 提示词：验证智能体、反过度工程、记忆压缩才是核心】快速阅读： Claude Code的npm源码包因人为失误意外泄露，有人从中逆向整理出26个提示词，覆盖系统指令、工具调用、智能体协作、记忆管理等全部模块，随后以MIT协议重新授权开源。这份材料本质上是一份提示词工程的实战教材。---有个细节值得注意：Anthropic事后将这次泄露定性为“人为失误”。200美元一个月的工具，整个提示词架构就这样从npm包里被人拆了出来。这26个提示词按功能分得很清晰：1个系统提示词负责身份定义和工具路由，11个工具提示词处理文件读写、shell执行、搜索等操作，5个智能体提示词分别对应探索、架构、验证、文档等角色，4个记忆提示词管理上下文压缩，1个协调提示词处理多智能体编排，还有4个工具提示词生成标题、摘要、建议。读完这些提示词，有几个设计决策让人印象深刻。其一是专门设置了一个“验证专家智能体”，它的职责就是在代码上线前想办法把它搞坏。这不是可选项，是写进架构里的。其二是反过度工程规则被明确写入系统提示词，“不要做用户没有要求的功能”。听起来像废话，但显然Anthropic认为有必要把它钉进去。其三是记忆压缩分9个章节，且保证每一条用户消息都被保留。有观点认为，大家都盯着系统提示词，真正值得研究的反而是那4个记忆提示词。多数AI编程工具在请求之间会忘掉一切，而Claude Code能记住项目结构和之前的编辑操作，这才是它用起来像同事而不像聊天机器人的原因。有网友提到，这个开源仓库引起广泛讨论，也有人认为被过度渲染了，从npm包里逆向提示词并不算什么技术壁垒，真正的护城河是模型质量和训练数据。这个说法大概70%是对的，提示词工程本身不是秘密，但好的提示词架构要花多少时间踩坑才能收敛到这个形态，那是另一回事。每个提示词都从零重写以符合法律要求，意图相同，没有逐字引用。MIT协议，可以直接用。所有内容在这里：github.com/repowise-dev/claude-code-prompts如果你在自己搭智能体，有一个问题可能值得先想清楚：你的系统里有没有一个专门负责破坏自己输出的角色？

47. 很多 AI 开发者和研究者在使用 Claude Code 时，常常需要切换不同的系统提示（system prompts）来满足各种场景需求，比如内置工具说明、子代理模式、任务辅助以及安全审查等。Claude Code System Prompts 仓库集合了 Claude Code 各个版本的全部系统提示，涵盖16个内置工具说明、多个子代理（如探索、规划、任务工具）以及实用工具提示。它支持灵活调整和定制，方便开发者根据不同环境和用例，动态加载合适的提示语。主要特点包括：- 全面收录 Claude Code v2.0.70 及之前51个版本的系统提示变更日志；- 多种子代理提示，支持规划、探索、任务执行、代码审查等多场景应用；- 丰富的工具描述，助力理解和使用 Bash、写作、搜索、任务管理等功能；- 提供 tweakcc 工具，方便用户以 Markdown 格式定制和管理系统提示，支持冲突检测和版本管理；- 支持生成会话摘要、代码文档、情绪分析等智能辅助功能。GitHub 地址：github.com/Piebald-AI/claude-code-system-prompts适合对 Claude Code AI 开发框架感兴趣的技术人员深入研究和二次开发，提升智能代理交互体验。

48. 使用大语言模型（LLM）时，往往需要反复输入复杂的提示词来规范其行为，且在不同平台间切换时，难以保持工作流的一致性。Awesome LLM Skills 是一个精选的资源列表，专门收集用于定制 AI 代理工作流的技能、资源和工具。它通过标准化的方式，教给 AI 如何按照特定要求执行任务，使其在不同平台上都能以可重复、标准化的方式完成工作。该项目不仅涵盖了从文档处理到代码开发的各类实用技能，还详细介绍了如何在 Claude Code、Gemini CLI、Codex 以及 Qwen Code 等主流工具中配置和调用这些技能。GitHub：github.com/Prat011/awesome-llm-skills主要功能：- 提供标准化的技能模板，通过简单的 Markdown 文件定义 AI 的任务逻辑和执行步骤；- 适配多种主流 AI 命令行工具和桌面应用，包括 Anthropic Claude Code 和 Google Gemini CLI 等；- 内置丰富的开发与测试技能，如 Playwright 浏览器自动化、AWS 开发辅助及代码质量检查；- 强大的文档处理能力，支持对 Word、PDF、Excel 及 PPTX 等多种格式进行分析与编辑；- 集成 Notion 知识管理，可将对话内容自动转化为结构化的笔记、会议纪要或研究文档；- 包含商业与创意工具，支持品牌指南应用、竞品分析、域名构思及多媒体素材生成。该项目适合开发者和重度 AI 用户使用，通过简单的文件夹配置即可让 AI 代理具备专业化的处理能力，大幅提升自动化办公和编程的效率。

49. Seedance 2.0提示词技巧！零基础上手指南（附提示词）

50. 【AI人工智能】题库:纯公益分享【就业+考研】笔试+面试必会【小白从小学Python,C,Java】知识点名称大语言模型中的提示工程知识点讲解提示工程是指在使用大语言模型时，通过精心设计输入提示语来引导模型生成更准确、更符合预期结果的输出。由于大模型是基于概率分布预测下一个token，因此输入提示的结构、上下文示例、指令清晰度都会显著影响最终结果。例如，在进行文本分类时，可以采用“少样本提示”方式：文本：今天天气很好请判断情感：积极通过在提示中加入明确任务说明和示例，模型更容易理解任务目标，从而输出更准确结果。提示工程的核心在于优化输入，而不是修改模型参数。例题（单选题）提示工程主要优化什么？A选项：模型参数结构B选项：训练数据规模C选项：输入提示设计D选项：GPU硬件性能答案与题解答案、题解：见评论区温馨期待期待大家提出宝贵建议，互相交流，收获更大，助教：gjm#AI创造营# #科技风向标# 网页链接

51. 太震撼了！这个AI绘画模型生成的图片太牛了（GPT Image 2，附提示词和案例）

52. 15 组文案润色 AI 提示词，秒变神仙质感（直接复制即用）

53. 用了 Claude Code 这么久，我才发现 Markdown 格式是个坑

54. 写 AI 提示词，一定要学会 Markdown

55. 什么是 Markdown 提示词?提升 AI 文档可读性的实战教程

56. HTML 正在取代 Markdown？｜拆解 Claude Code 团队这篇《The Unreasonable Effectiveness of HTML》

57. 用Markdown写提示词，是我今年学到最值的AI沟通技巧

58. 告别AI跑偏！用Markdown写提示词，精准拿捏AI写作

59. 用 Claude Code 生成 HTML：比 Markdown 更强的输出格式

60. 学会用Markdown写提示词，是我今年最赚的AI沟通秘诀

61. 高手都在偷偷用！AI提示词换成Markdown，拉爆AI智商

62. 当Claude Code 团队的人说“别再用 Markdown 了，用 HTML 吧”

63. Claude 团队内部已经不用 Markdown 了

64. 比起Markdown，Claude Code写HTML更合适

65. 用 Markdown 写清楚 AI 提示词：从语法到可执行指令

66. Markdown要被抛弃了？Claude Code工程师自曝：我已彻底放弃使用Markdown！团队倾向使用HTML！网友：其他编辑工具会被淘汰吗？

67. Markdown要凉了？Claude Code工程师已不用Markdown，改用HTML了！

68. 用AI一年，却被Markdown打脸了

69. HTML is the new Markdown：Anthropic 工程师的这篇文章改变了我的 Claude 使用方式。

70. 每天学会一个AI知识点- - 用markdown写提示词

71. 想让 AI 真正了解你？一个 Markdown 文件比 100 条提示词管用

72. 高手都在用的AI技巧：把提示词换成Markdown格式，效率直接翻倍！

73. 为什么Markdown成了AI的母语？聊聊人机界面的下一场革命

74. 高手私藏AI技巧：提示词转Markdown格式，办事效率直接翻倍

75. 提示词是工程，不是写作：4个方法快速提升提示词质量

76. Markdown要凉！Claude Code技术大牛发文力捧HTML，卡帕西站队支持

77. AI提示词进阶教程 3 - 结构化提示词的工程模型

78. 深度解析：为什么大语言模型（LLM）都不约而同地选择了Markdown？

79. 为什么别人的 AI 总是稳出大片？掌握这套结构化公式，实现提示词资产化

80. 低成本跑通自己的 LLM 知识库：用 Markdown + LLM 代替传统 RAG

81. 高手都在用的AI技巧:把提示词换成Markdown格式，效率直接翻倍！

82. Markdown 用法 + 提示词技巧，备课效率翻倍

83. 别再让AI给你Markdown了：HTML才是Claude的完全体

84. 让 Claude 的输出质量直接上一个台阶，用 HTML 代替 Markdown

85. 每天吃透一个AI知识点：MarkDown写提示词

86. 结构化提示词工程在高校教材编写中的应用与研究

87. AI提示词优化真能提升输出质量吗？全网观点大PK

复杂任务用Markdown写提示词真能省80%返工时间，但90%的人用错了场景

精选参考来源